17일 전

도메인 적대적 공간-시간 네트워크: 도시 간 단기 교통 예측을 위한 이식 가능한 프레임워크

Yihong Tang, Ao Qu, Andy H.F. Chow, William H.K. Lam, S.C. Wong, Wei Ma
도메인 적대적 공간-시간 네트워크: 도시 간 단기 교통 예측을 위한 이식 가능한 프레임워크
초록

정확한 실시간 교통 예측은 지능형 교통 시스템(ITS)에 있어 핵심적이며, 다양한 스마트 모빌리티 응용 프로그램의 기초가 된다. 이 분야는 딥러닝 기법에 의해 주도되어 왔으나, 최근 연구들은 새로운 모델 구조를 개발함으로써 정확도를 향상시키는 데 한계가 점점 커지고 있음을 시사하고 있다. 대신, 본 연구는 데이터 분포와 네트워크 구조가 서로 다른 도시 간에 ‘예측 관련 지식’을 전이함을 통해 성능 향상을 달성할 수 있다고 제안한다. 이를 위해 본 논문은 도메인 적대적 공간-시간 네트워크(Domain Adversarial Spatial-Temporal Network, DASTNet)라는 새로운 전이 가능한 교통 예측 프레임워크를 제안한다. DASTNet은 여러 소스 네트워크에서 사전 학습을 수행한 후, 타겟 네트워크의 교통 데이터를 이용해 미세 조정(fine-tuning)한다. 구체적으로, 그래프 표현 학습과 적대적 도메인 적응 기법을 활용하여 도메인 불변의 노드 임베딩을 학습하고, 이를 바탕으로 시간적 교통 데이터를 모델링한다. 본 연구는 네트워크 전역의 교통 예측 문제에 대해 적대적 다중 도메인 적응을 처음으로 적용한 사례로, 지식 기반의 최신 연구 중 최고 수준의 성능을 기록하고 있다. DASTNet은 세 가지 벤치마크 데이터셋에서 모든 최첨단 기준 모델을 일관되게 초월한다. 학습된 DASTNet은 홍콩의 새로운 교통 감지 장치에 적용되었으며, 감지 장치가 가용해지자마자(하루 이내) 정확한 교통 예측 결과를 즉시 제공할 수 있었다. 종합적으로, 본 연구는 교통 예측 기법을 향상시키기 위한 대안적 접근을 제시하며, 역사적 교통 데이터가 부족한 도시들에게 실질적인 시사점을 제공한다.

도메인 적대적 공간-시간 네트워크: 도시 간 단기 교통 예측을 위한 이식 가능한 프레임워크 | 최신 연구 논문 | HyperAI초신경